机构名称：
¥ 1.0
全面的国家行动探索对于加强学习（RL）算法至关重要。它使他们能够找到最佳解决方案并避免过早收敛。在基于价值的RL中，对价值函数的乐观初始化可确保足够的研究以找到最佳解决方案。乐观的值会导致好奇心驱动的探索，从而实现了未经探索的区域的访问。然而，乐观的初始化由于无法探索“无限易用”的探索，因此在恶化和非平稳环境中存在局限性。为了解决这一限制，我们提出了基于反复出现的乐观初始化的基于价值的RL的新型探索策略，表示硬币。通过注入持续的探索奖金，我们克服了乐观的不隔离（对环境噪声的敏感性）的缺点。我们提供了硬币与现有流行探索策略的严格理论比较，并证明它提供了一套独特的属性（覆盖范围，无限，通常不访问跟踪和好奇心）。我们揭示了硬币比普遍的玩具域上的现有策略的优越性，并在常见的基准任务上呈现结果。我们观察到，在六个基准任务中的四个中，硬币的表现优于现有的探索策略，同时与其他两个任务的最佳基线表现出色。
基于价值的强化学习的持续乐观初始化
主要关键词
相关文件推荐
